Segmentasi Pelanggan Menggunakan Two Stage Clustering dan LRFM Model pada Divisi Marketing PT.XYZ untuk Mendukung Strategi Pengelolaan Pelanggan Silvi Eka Susanty a, Rully A. Hendrawan, S.Kom.b1, M.Eng., Wiwik Anggraeni, S.Si., M.Kom.b2 Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember, Surabaya Email:
[email protected]
Abstrak Salah satu cara yang dapat digunakan untuk mengetahui informasi mengenai karakteristik pelanggan adalah dengan melakukan segmentasi pelanggan. Segmentasi pelanggan dilakukan dengan cara menggali data pelanggan (data mining).Pada paper ini digunakan data dari studi kasus PT.XYZ (merupakan perusahaan yang bergerak dibidang manufaktur: ice cream) yang terdiri dari data pelanggan dan data transaksi penjualan historikal. Data tersebut kemudian akan diolah dengan LRFM model (Length, Recency, Frequency, Monetary), sebagai salah satu cara utuk mengetahui customer lifetime value (CLV), dan dua tahapan clustering (two stage clustering) yaitu metode ward’s untuk mengetahui jumlah cluster terbaik dan algoritma k-means yang merupakan distance-based cluster analysis untuk melakukan proses operasional clustering. Setelah proses operasional clustering dilakukan, hasil cluster akan dipetakan dengan customer value matrix dan customer loyalty matrix untuk mengetahui karakteristik tiap segmen pelanggan. Selain itu juga akan dilakukan cross analysis antara hasil clustering dengan predetermined attributes (sales area dan new/old customer) untuk mengetahui perbandingan kinerja operasional pada tiap predetermined atributes. Hasil yang didapatkan dari studi kasus PT.XYZ menunjukkan bahwa segmen/grup pelanggan yang terbentuk dengan menggunakan empat faktor clustering (LRFM), semuanya memiliki perbedaan statistik yang signifikan, dan dapat dijelaskan dalam konteks strategi marketing. Oleh karena itu, penelitian ini berguna untuk menentukan strategi pengelolaan pelanggan tiap segmen. Key Words: Clustering Analysis, Customer Relationship Management, Customer Value Analysis, Data mining, LRFM model. dibuat predetermined attributes yang terdiri dari sales area dan new/old customer. Predetermined attributes ini nantinya akan dicross analysis dengan segmen pelanggan untuk mengetahui kinerja operasional pada tiap predetermined atributes. Selanjutnya akan digabungkan dua tahapan clustering (two stage clustering). Tahap pertama, digunakan metode ward’s untuk mengetahui jumlah cluster terbaik yang dimiliki oleh data kemudian tahap kedua akan digunakan algoritma k-means untuk melakukan proses operasional clustering, dimana k-means merupakan teknik clustering dengan metode statistik yang berbasis pada jarak antar data (distance-based cluster analysis), semakin dekat jarak antar data, semakin dekat kemiripannya, begitu juga sebaliknya. Kedua tahap ini akan dilakukan dengan bantuan software SPSS 17 (Statistical Package for Social Science). Setelah proses operasional clustering dilakukan, hasil cluster akan dipetakan dengan irisan antara customer value matrix (mengacu pada atribut Frequecy dan Monetary) dan customer loyalty matrix (mengacu pada atribut Length dan Recency) untuk mengetahui karakteristik tiap segmen pelanggan, kemudian segmen pelanggan ini akan dicross analysiskan dengan predetermined atributes. algoritma kmeans untuk melakukan proses operasional clustering.
1. Pendahuluan Salah satu cara yang dapat digunakan untuk mengelola hubungan terhadap pelanggan suatu perusahaan adalah dengan memahami serta memberikan perlakuan yang berbeda-beda sesuai dengan karakteristik pelanggan pada tiap segmen. Segmentasi pelanggan dapat dilakukan dengan cara menggali data (mining) untuk mengetahui informasi mengenai karakteristik pelanggan yang tersembunyi didalamnya. Salah satu cara yang dapat digunakan untuk mengetahui segmen-segmen pelanggan suatu perusahaan adalah dengan melakukan clustering analysis. Clustering adalah proses pembentukan grupgrup/segmen-segmen dari sekumpulan data dengan memperhatikan kemiripan antar satu data dengan data lainnya. Paper ini bertujuan untuk melakukan segmentasi pelanggan berdasarkan data pada studi kasus nyata PT.XYZ (merupakan perusahaan yang bergerak dibidang manufaktur : ice cream) yang terdiri dari data pelanggan dan data transaksi penjualan historikal dengan memanfaatan LRFM model (Length, Recency, Frequency, Monetary) sebagai salah satu cara untuk mengetahui Customer Lifetime Value (CLV). Setelah itu juga akan
1
dan asosiasi (association). Fungsi data mining yang digunakan dalam paper ini adalah fungsi pengelompokan (clustering). Sebelum data diolah dengan data mining, data perlu melalui tahap preprocessing (Gambar 1). Tahap ini berhubungan dengan pemilihan dan pemindahan data yang tidak berguna (data cleaning), penggabungan sumber-sumber data (data integration), transformasi data dalam bentuk yang dapat mempermudah proses (data transformation), menampilkan data dalam jumlah yang lebih mudah dibaca (data reduction).
2. Tinjauan Pustaka Bagian ini berisi teori-teori yang digunakan sebagai acuan dalam pengerjaan penelitian. 2.1. Customer Relationship Management (CRM) Menurut Gartner (2009) Customer relationship management (CRM) merupakan strategi untuk mengelola interaksi antara pelanggan dengan perusahaan yang melibatkan penggunaan teknologi di dalamnya untuk mengorganisasi, mengotomatisasi dan mensinkronisasi proses bisnis yang meliputi marketing, customer service, dan technical support [2][17].Secara garis besar, terdapat 3 fase dalam CRM yaitu acquire, retain dan enhance. Acquire atau disebut juga attract merupakan cara untuk memperoleh/menarik pelanggan baru. Retain mencakup cara-cara perusahaan untuk mempertahankan pelanggan yang telah dimiliki. Sedangkan enhance atau disebut juga develop merupakan cara untuk meningkatkan loyalitas pelanggan sehingga pelanggan yang dimiliki menjadi pelanggan yang valuable/bernilai. 2.2. Customer Value Analysis dengan LRFM model Customer value analysis merupakan dasar dari manajemen hubungan pelanggan (CRM) karena customer value analysis ini digunakan untuk menganalisis nilai seorang pelanggan perusahaan. Perusahaan perlu memilah antara pelanggan yang bernilai dan kurang bernilai mengingat keterbatasan sumber daya yang dimiliki untuk mengelola semua pelanggannya. Pelanggan perlu disegmentasi karena tiap pelanggan memiliki tipe yang berbeda sehingga perlu strategi yang berbeda untuk mengelola segmen pelanggan tersebut [4] [6]. Hughes (1994) mendefinisikan bahwa model RFM menggunakan tiga dimensi: (1) recent transaction time: mengacu kepada waktu transaksi terakhir pelanggan dan menganalisis jarak titik waktu, (2) buying frequency: seberapa sering pelanggan membeli produk dalam beberapa periode, frekuensi yang lebih tinggi mewakili permintaan yang lebih besar dan loyalitas yang tinggi; (3) monetary value: nilai total pembelian selama periode tertentu, jumlah yang lebih tinggi mewakili kontribusi yang lebih besar bagi perusahaan. Reinartz dan Kumar (2000) mengusulkan sebuah gagasan hubungan antara customer relation length dengan loyalitas pelanggan dan profitabilitas perusahaan. Untuk dapat meningkatkan loyalitas pelanggan, mereka menyarankan untuk meningkatkan relation length.
Gambar 1. Tahap-Tahap dalam Proses Knowledge Discovery (Fayyad, 1996)
2.4. Two Stage Clustering Ward merupakan salah satu metode yang melakukan pengelompokan data dengan sistem hierarki yang diperkenalkan Joe H. Ward Jr. pada tahun 1963. Algoritma Ward merupakan metode clustering hierarki yang bersifat Dalam metode agglomerative. agglomerative, setiap objek atau observasi dianggap sebagai sebuah cluster tersendiri (bottom-up). Dalam tahap selanjutnya, dua cluster yang mempunyai kemiripan digabungkan menjadi sebuah cluster baru demikian seterusnya[1]. Untuk menghitung jarak antar data, dapat digunakan rumus Euclidean. Setelah mengalami proses penggabungan antar data, jarak data yang mengalami proses tersebut dihitung ulang jaraknya, sedangkan jarak antara data yang tidak mengalami proses penggabungan dapat diambil dari proses perhitungan sebelumnya. K-Means adalah suatu metode penganalisaan data yang bekerja dengan membagi data ke dalam k buah cluster yang telah ditentukan (Han & Kamber, 2006)[6], k-cluster didapatkan dari output ward sebelumnya. Sistem clustering ini pertama kali diperkenalkan oleh Mac Queen pada tahun 1967. Metode k-means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain.
2.3. Data Mining Data mining merupakan suatu proses untuk menemukan informasi atau knowledge dari kumpulan data. Larose (2005) mengklasifikasikan data mining sesuai dengan fungsinya, sebagai berikut: (1) deskripsi (description), estimasi (estimation), prediksi (prediction), klasifikasi (classification), pengelompokan (clustering)
3. Metode Penelitian Bagian ini terdiri dari 6 subbab yang terdiri dari alur penelitian, data input yang digunakan untuk
2
Tabel 1. Bentuk Data dengan Enam Atribut No Nama Field Konten Data 1. Transaction Interval transaksi awal dan akhir pelanggan. Length
membangun LRFM model, deskripsi segmen pelanggan, serta cross analisis antar grup. 3.1. Alur Penelitian Sebelum melakukan penelitian, dilakukan studi literatur dan pemahaman bisnis PT.XYZ terlebih dahulu kemudian dilanjutkan dengan mengumpulkan data, menerapkan LRFM model, melakukan data preprocessing, melakukan two stage clustering ,validasi dan analisis hasil clustering serta menarik kesimpulan penelitian. Alur penelitian ditunjukkan gambar 2.
2.
3.
4.
Recent Transaction Time Average Frequency Value (per month) Average MonetaryVal ue (per 3month)
5.
Sales Area
6.
New/old customer
Waktu/tanggal terakhir transaksi dengan periode analisis (berbentuk numerik) Frequency of buying dalam jangka waktu tertentu atau rata-rata jumlah transaksi pelanggan per bulan dalam tahun 2010. Per bulan karena data tersedia dalam mingguan Rata-rata nilai transaksi pelanggan (monetary value) per 3bulan dalam tahun 2010. Per 3bulan karena data tersedia dalam bulanan, selain itu nilai 3 bulan ini disesuaikan dengan studi kasus PT.XYZ Area penjualan terbagi menjadi : Bangil, Pandaan, Pasuruan, Probolinggo dan Sidoarjo Pelanggan new jika ia mulai melakukan tarnsaksi tahun 2010, pelanggan old jika ia mulai melakukan tarnsaksi sebelum tahun 2010.
3.4. Segmen Pelanggan Dalam menentukan segmen pelanggan, Chang and Tsay menggunakan customer value matrix yang mewakili atribut Frequency dan Monetary (gambar 3) serta customer loyalty matrix yang mewakili atribut Length dan Recency (gambar 4) untuk mencari segmen pelanggan. Dari kedua matrix tersebut didapatkan 16 kemungkinan grup/segmen pelanggan (tabel 2).
. Gambar 2. Alur Penelitian
3.2. Data input untuk membangun LRFM Model Data yang digunakan pada penelitian ini adalah data dari studi kasus PT.XYZ terdiri dari 1319 data. Kemudian atribut LRFM dalam data tersebut ditransformasi ke dalam bentuk numerik dan distandarisasi dengan z score. Atribut-atribut yang dibutuhkan dalam penelitian ini ditunjukkan oleh Tabel 1.
Gambar 3. Customer Value Matrix (Marcus, 1998) : Mengacu pada Nilai Frequency dan Monetary
3.3. Clustering Analysis Sebagai clustering tahap pertama akan digunakan metode ward’s dengan bantuan software SPSS. Output yang dihasilkan ward adalah jumlah cluster optimal dan biasanya digunakan sebagai inputan k-mean dalam membentuk k-cluster. Sedangkan pada tahap kedua, akan digunakan algoritma K-mean dengan software SPSS sebagai proses operasional clustering.
Gambar 4. Customer Clustering pada Customer Loyalty Matrix (Chang & Tsay,2004) : Mengacu pada Nilai Length dan Recency
3
Tabel 2. 16 Grup Pelanggan Berdasarkan Customer Value Matrix dan Customer Loyalty Matrix Customer Keterangaan Clustering Terdiri dari : Core 1. including high value loyal customers (LRFM, Customers ↑↓↑↑) 2. high frequency buying customers (LRFM, ↑↓↑↓) platinum customers (LRFM, ↑↓↓↑) Potential Terdiri dari : Customers 1. including potential loyal customers
dan memilih untuk membagi data menjadi empat cluster [5][7].
Tabel 3. Sequence Step Concentration Coefficients Ward’s Method Stage Group Coefficients Coefficients difference 1310 9 1069.776 1311 8 1170.188 100.412 1312 7 1318.184 147.996 1313 6 1490.934 172.750 1314 5 1892.915 401.981 1315 4 2296.598 403.683 1316 3 3081.585 784.987 1317 2 3936.884 855.299 1318 1 5272.000 1335.116
(LRFM, ↑↑↑↑) potential high frequency customers (LRFM, ↑↑↑↓) 3. potential consumption customers (LRFM, ↑↑↓↑) Terdiri dari : 1. including high value lost customers (LRFM, ↓↑↑↑) 2. frequency lost customers (LRFM, ↓↑↑↓) 3. consumption lost customers (LRFM, ↓↑↓↑) 3. uncertain lost customers (LRFM, ↓↑↓↓) Terdiri dari : 1. including high value new customers (LRFM, ↓↓↑↑) 2. frequency promotion customers (LRFM, ↓↓↑↓) 3. spender promotion customers (LRFM,↓↓↓↑) 4. uncertain new customers (LRFM, ↓↓↓↓) Terdiri dari : 1. including low consumption cost customers (LRFM, ↑↓↓↓) 2. high consumption cost customers (LRFM, ↑↑↓↓) 2.
Lost Customers
New Customer
Consuming Resource Customers
4.2. Jumlah Anggota Tiap Cluster Setelah mendapatkan jumlah cluster optimal dengan metode ward, selanjutnya dilakukan proses operasional clustering dengan menggunakan K-means, berikut adalah jumlah anggota tiap segmen yang didapatkan melalalui K-means. Tabel 4. Jumlah Anggota tiap Cluster
Cluster 1 2 3 4 Total
Number 6 43 883 387 1319
% 0,46 3,26 66,94 29,34 100
4.3. Uji ANOVA untuk Mengetahui Apakah 4 Cluster yang Dihasilkan Berbeda Satu Sama Lain Karena jumlah cluster yang dihasilkan adalah 4 cluster digunakan uji ANOVA untuk mengetahui apakah keempat cluster yang dihasilkan berbeda satu sama lain. [3][8][9] . Yang perlu kita amati dalam tabel 5 adalah kolom significance level (Sig.) yang terletak di bagian paling kanan. Jika sig. level < 0.05 berarti keempat cluster/grup pelanggan yang dihasilkan mencapai significance level dan dapat disimpulkan, keempat cluster tersebut berbeda satu-sama lain. Tetapi jika sig.level > 0.05 berarti keempat cluster grup pelanggan yang dihasilkan, tidak mencapai significance level dan perbedaan antar clusternya tidak significance. Dari tabel 5 dapat dilihat bahwa sig.level yang dihasilkan adalah 0.00 berarti keempat cluster yang dihasilkan dalam penelitian kali ini berbeda satu sama lain.
3.4. Cross Anlaysis Untuk melakukan cross analysis/analisis silang digunakan dua atribut lain yaitu sales area dan new/old customer, penjelasan ada pada tabel 1. Atribut ini nantinya akan dianalisis dengan segmen pelanggan yang dihasilkan.
4. Data Clustering Pada bagian ini akan dijelaskan mengenai jumlah cluster yang terbentuk, jumlah anggota tiap cluster dan uji ANOVA untuk mengetahui apakah terdapat perbedaan yang signifikan diantara cluster-cluster yang terbentuk.
4.4. Standar Deviasi untuk menentukan LRFM index Standar deviasi merupakan indeks yang menggambarkan sebaran data terhadap rata-ratanya. Standar deviasi dipilih karena menggambarkan ukuran sebaran statistik yang paling lazim dari kumpulan data Dengan membandingkan standar deviasi tiap cluster dengan standar deviasi keseluruhan data, didapatkan LRFM indeks. Tabel 6 dan 7 menunjukkan cara memperoleh LRFM indeks.
4.1. Jumlah Cluster Hasil Ward Untuk mengetahui jumlah cluster yang terbentuk dari ward, dapat dilihat pada sequence step of concentrate coefficients. Dari tabel 3 kita dapat melihat lompatan koefisien yang cukup besar dari stage 1315 ke stage 1316 dimana selisih koefisien tersebut adalah 784.987. Karena nilai ini cukup besar, maka diputuskan untuk menghentikan pemeriksaan terhadap stage selanjutnya
4
Tabel 5. Uji ANOVA Hasil Clustering Sum of Squares ZLENGTH
3
167.003
Within Groups
816.992
1315
.621
1318.000
1318
Between Groups
846.080
3
282.027
Within Groups
471.920
1315
.359
1318.000
1318
Total
ZAVG_FREQ
Between Groups
678.065
3
226.022
Within Groups
639.935
1315
.487
1318.000
1318
Total
ZAVG_MONETARY
Mean Square
501.008
Total ZRECENCY
df
Between Groups
Between Groups
865.695
3
288.565
Within Groups
452.305
1315
.344
1318.000
1318
Total
F
Sig.
268.801
.000
785.863
.000
464.451
.000
838.953
.000
Tabel 6 Statistik deskriptif keseluruhan data ZLENGTH
N
1319
Minimum -1.22307
Maximum 2.50049
Mean .0000000
Std. Deviation 1.00000000
ZRECENCY
1319
ZAVG_FREQ
1319
-10.46141
.59489
.0000000
1.00000000
-1.34781
4.83916
.0000000
ZAVG_MONETARY
1319
1.00000000
-.69527
15.74137
.0000000
Valid N (listwise)
1319
1.00000000
Tabel 7. Statistik deskriptif cluster 1 N
Minimum
Maximum
Mean
Std. Deviation
Simbol
ZLENGTH
6
-.72167
2.48792
.4498378
1.08143055
↑
ZRECENCY
6
.15264
.59489
.4659045
.17713113
↓
ZAVG_FREQ
6
.76376
3.18112
1.6161761
.93111153
↓
ZAVG_MONETARY
6
5.93806
15.74137
10.0623342
3.43975531
↑
Valid N (listwise)
6
5. Validasi Hasil Cluster Sebelum melakukan analisis, dilakukan validasi terlebih dahulu. Validasi bertujuan untuk untuk memperkuat anggota cluster/cluster membership pada tahap implementasi. Sebelum melakukan validasi, terlebih dahulu kita harus menentukan banyak sample yang akan diujicoba. Dalam menentukan jumlah sample tersebut, digunakan formula dari Yamane, 1967:99. Jumlah sample tersebut adalah jumlah sample yang mewakili apakah cluster yang dihasilkan tetap pada segmen yang sama seperti pada saat melakukan two stage clustering. Dari formula yang diberikan oleh Yamane, sample yang dibutuhkan berjumlah 307. Dari 307 sample tersebut, ketika di cluster ulang dengan menggunakan acuan final cluster center yang dihasilkan SPSS, hasil clusternya sama dengan hasil cluster yang didapatkan pada tahap two stage clustering.Sehingga hasil cluster adalah valid.
memberikan usulan strategi marketing yang sesuai dengan segmen pelanggan yang dihasilkan. 6.1. Empat Segmen Pelanggan yang Dihasilkan Setelah mengetahui LRFM indeks untuk keempat segmen pelanggan, langkah berikutnya adalah memetakan LRFM indeks tersebut dengan customer value matrix dan customer loyalty matrix. Tabel 7 berisi hasil pemetaan LRFM indeks tersebut. 6.2. Cross Analysis Pada bagian ini digunakan dua dimensi yaitu dimensi sales area yang didapatkan dari atribut kota dan dimensi pelanggan yang didapatkan dari atribut new/old customer. Kota mewakili area penjualan dan new/old customer mewakili tipe pelanggan baru/lama. Selanjutnya kedua atribut ini akan dipotongkan (intersect) dengan keempat cluster guna mendapatkan analisis hubungan yang lebih jauh. Hasil Cross Analysis dapat dilihat pada tabel 8, 9 dan 10.
6. Clustering Analysis Pada bagian ini akan dijelaskan keempat segmen pelanggan berdasarkan LRFM indeks, Cross Analysis untuk atribut sales area dan new/old customer serta
5
Grup 1
2
3
4
Tabel 7. Empat Group Summary Description Nama Grup LRFM Index Core Customers: Transaction Length↑, Recent Transaction Time↓ berarti terdapat hubungan yang kuat; Average Platinum Frequency↓, Average Monetary↑, rata-rata jumlah transaksi pelanggan lebih rendah dari rata-rata Customers tetapi rata-rata nilai transaksi pelanggan lebih tinggi dari rata-rata Lost Customers: Transaction Length ↓, Recent Transaction Time ↑ menunjukkan bahwa antara pelanggan dan Uncertain Lost perusahaan hasn’t exchanged recently ; Average Frequency ↓ Average Monetary↓ merupakan Customers karakteristik dari uncertain customer New Customers: Transaction Length ↓, Recent Transaction Time↓ merupakan karakteristik dari new customer; Uncertain New Average Frequency ↓ Average Monetary↓ berarti kontribusi untuk perusahaan kecil Customers Core Customers: Transaction Length ↑, Recent Transaction Time↓ berarti terdapat hubungan yang kuat; Average High Frequency Frequency↑, Average Monetary↓, rata-rata jumlah transaksi pelanggan lebih tinggi dari rata-rata Buying Customers tetapi rata-rata nilai transaksi pelanggan lebih rendah dari rata-rata. Tabel 8. Two characteristics and group observation cross table (a) Sales group 1 2 Sales Bangil 0 0 % 0% 0% Pandaan 0 0 % 0% 0% Pasuruan 2 6 % 0.6% 1.7% Probolinggo 1 9 % 0.7% 5.9% Sidoarjo 3 28 % 0.4% 3.4% Total 6 43 % 0.5% 3.3% (b) New/old group New/old customers
New % Old %
Total % Tabel 9. Different sales performance result. Grup Nama Grup 1 Core Customers: Platinum Customers 2 Lost Customers: Uncertain Lost Customers 3
New Customers: Uncertain New Customers
4
Core Customers: High Frequency Buying Customers
Tabel 10. Different new/old customer performance result Grup Nama Grup 1 Core Customers: Platinum Customers 2 3 4
Lost Customers: Uncertain Lost Customers New Customers: Uncertain New Customers Core Customers: High Frequency Buying Customers
1 1 0.3% 5 0.5% 6 0.5%
2 4 1% 39 4.2% 43 3.3%
3 3 100% 1 100% 253 73.3% 106 69.7% 520 63.6% 883 66.9%
4 0 0% 0 0% 84 24.3% 36 23.7% 267 32.6% 387 29.3%
Total 3 100% 1 100% 345 100% 152 100% 818 100% 1319 100.0%
3 385 97.7% 498 53.8% 883 66.9%
4 4 1% 383 41.4% 387 29.3%
Total 394 100% 925 100.% 1319 100%
Deskripsi Rasio penjualan terbesar Platinum Customers terdapat di kota Probolinggo sebesar 0.7%, disusul dengan Pasuran 0.6% dan Sidoarjo 0.4%. Rasio penjualan dari Uncertain Lost Customers di Bangil dan Pandaan adalah 0%, Pasuruan 1.7%, Probolinggo 5.9% dan Sidoarjo 3.4%; Berarti loyalitas pelanggan di kota Probolinggo dan Sidoarjo perlu dikuatkan lagi Rasio penjualan dari Uncertain New Customers di Bangil dan Pandaan adalah 100%; Pasuruan 73.3%, Probolinggo 69.7% dan Sidoarjo 63.6%; berarti potensi pelanggan baru lebih banyak berasal dari kota Bangil dan Pandaan Rasio penjualan terbesar High Frequency Buying Customers terdapat di kota Sidoarjo sebesar 32.6%, disusul dengan Pasuran 24.3%, dan Probolinggo 23.7%
Deskripsi Rasio old customer adalah 0.5%, lebih besar dari new customer sebesar 0.3%; Berarti pelanggan lama relatif memberikan kontribusi yang lebih besar bagi perusahaan Rasio old customer adalah 4.2%, lebih besar dari new customer sebesar 1%; Berarti loyalitas pelanggan lama perlu lebih dikuatkan Rasio new customer 97.7%, lebih besar dari old customer sebesar 53.8% Rasio old customer adalah 41.4%, lebih besar dari new customer sebesar 1%; Berarti pelanggan lama memberikan kontribusi yang lebih besar bagi perusahaan
6
6.2. Usulan Strategi Marketing Tabel 10 berisi usulan strategi yang dapat digunakan untuk mengelola keempat pelanggan yang dihasilkan[6]. Usulan strategi ini telah disesuaikan dengan studi kasus PT.XYZ. . Tabel 9. Usulan Strategi Marketing Mark. Segmen Strategi Strategy Segmen 1. Mengembangkan aktivitas promosi yang Defensive I bertujuan untuk meningkatkan frekuensi Strategy transaksi pelanggan 2. Memberikan layanan rutin kepada pelanggan “Let-go Strategy”
Segmen II
1.
Perusahaan tidak perlu memberikan perhatian kepada segmen pelanggan ini
“Pick But Be choosy Strategy”
Segmen III
1.
“Pick but be choosy” fokus
Offensive Strategy
Segmen IV
1.
Mempertahankan loyalitas pelanggan dengan melakukan aktivitas up-selling dan crossselling Mengembangkan aktivitas promosi yang bertujuan untuk meningkatkan nominal transaksi pelanggan Menarik dan mempengaruhi pelanggan
2.
3.
7. Kesimpulan Berikut adalah kesimpulan yang didapatkan dari hasil penelitian 1. Pada PT.XYZ terdapat 4 segmen pelanggan. 4 segmen pelanggan tersebut didapatkan dari pemetaan LRFM index ke dalam irisan customer value matrix dan customer loyalty matrix. 2. Keempat segmen pelanggan tersebut terdiri dari : Core Customers: Platinum Customers (cluster 1), Lost Customers: Uncertain Lost Customers (cluster 2), New Customers: Uncertain New Customers (cluster 3) dan Core Customers: High Frequency Buying Customers (cluster 4). 3. Persentase pelanggan terbesar terdapat pada cluster 3 sebanyak 883 outlet (66,94%),hal ini
4.
5.
Detail Strategi Aktivitas marketing yang disarankan 1. Memberikan reward seperti potongan harga (diskon) setelah pelanggan bertransaksi x kali 2. Mendesain program free after-sales service untuk meningkatkan customers returning rate; 3. Mengirimkan informasi produk secara periodik Aktivitas marketing yang disarankan 1. Do nothing Aktivitas marketing yang disarankan 1. Mengidentifikasi pelanggan-pelanggan yang lebih memberikan kontribusi 2. Tingkatkan komunikasi dan berikan perhatian kepada pelanggan tersebut 3. Melakukan follow up kepada pelanggan tersebut 4. Do nonthing kepada pelanggan sisanya Aktivitas marketing yang disarankan 1. Memberikan reward seperti potongan harga (diskon) setelah pelanggan bertransaksi x rupiah 2. Meningkatkan customer purchase rate by promoting on the products customers prefer 3. Mempromosikan produk baru 4. Memberikan informasi produk secara periodik
menunjukkan bahwa performa PT.XYZ tumbuh secara kontinu. Persentase ini lebih besar dibandingkan dengan persentase core customer (cluster 1 dan 4) sebanyak 393 outlet atau sebesar 29.8%. Dari cross analysis dapat disimpulkan bahwa pelanggan yang paling banyak memberikan kontribusi terhadap PT.XYZ adalah core customer yang terdiri dari 388 outlet lama (old) yang tersebar di 5 kota. Kota dengan core customer terbanyak, ada di kota Sidoarjo sebanyak 270 outlet.
[5]Marija Norusis. 2011. Chapter 16 Cluster Analysis.
Daftar Pustaka [1] Decky Kurniawan dan Ahmad Saikhu, S.Si, MT. 2010. Implementasi Algoritma H-Error dan K-Error pada Klasterisasi Data. Surabaya : Institut Teknologi Sepuluh Nopember.
[6] Pei Chao, Hsin-Pin Fu, Hung-Hsuan Lee & Ya-Cheng Chang. 2008. “Identifying The Customer Profiles For 3C-Product Retailers: A Data Mining Approach”. International Journal of Electronic Business Management, Vol. 6, No. 4, pp. 195-202.
[2] Gartner. 2009. What's 'Hot' in CRM Applications in 2009. Gartner, Inc.
[7] Sage Publication. 2011. Chapter 23 Cluster Analysis. .
[3] Harvey Motulsky . 1995. How to choose a statistical test : chapter 37 of Intuitive Biostatistics (ISBN 0-19-508607-4) Oxford University Press Inc.. .
[8] Statictic Help Website. 2008. What is a 1-Way ANOVA?. .
[4] Li Der-Chiang, Dai Wen-Li & Tseng Wan-Ting. 2010. “A twostage clustering method to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business”. Journal : Elsevier ,page : 1-6.
[9] Statictic Help Website. 2008. What are T-Tests for independent and paired samples?. .
7
